Article Per Year (5 Year)
p-Index From 2020 - 2025
1.713
P-Index
This Author published in this journals
All Journal INOVTEK Polbeng - Seri Informatika CYCLOTRON Jurnal INOVTEKSeri Elektro Jurnal Rekayasa elektrika
Budi Nur Iman
Politeknik Elektronika Negeri Surabaya
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Jurnal Rekayasa elektrika

 1 
Alat Pendeteksi Kadar Glukosa pada Urine dengan Metode Naive Bayes Kemalasari Kemalasari; Maulida Alvisabrina Ifadah; Budi Nur Iman
Jurnal Rekayasa Elektrika Vol 18, No 4 (2022)
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (684.131 KB) | DOI: 10.17529/jre.v18i4.27238

Abstract

Diabetes Melitus (DM) adalah penyakit kronis yang ditandai dengan kadar glukosa darah yang melebihi batas normal yang disebabkan oleh tidak berfungsinya pankreas dalam memproduksi insulin yang cukup. Ketika glukosa berlebih, gula akan dikeluarkan melalui urine yang disebut glukosuria. Sehingga tujuan dari penelitian ini adalah untuk membuat alat pendeteksi kadar glukosa dari urine menggunakan sensor warna dan sensor gas dengan metode naive bayes. Untuk mengetahui jumlah kadar glukosa melalui urin dapat menggunakan larutan benedict. Dari percampuran antara sample urine dan larutan benedict akan dihasilkan perubahan warna yang dapat diukur dengan sensor warna TCS3200. Selain menggunakan sensor warna, digunakan juga sensor gas yaitu MQ-135, dimana cara kerja dari sensor ini adalah mendeteksi bau / kadar amonia dalam sample urine. Data dari kedua sensor akan diolah oleh metode naïve bayes untuk mengetahui hasil klasifikasi dan juga menggunakan metode regresi linier untuk menghitung kadar glukosa darah. Hasil dari penelitian ini dengan menggunakan 16 sample, untuk metode naïve bayes diperoleh akurasi sebesar 93,75%. 
Perancangan dan Implementasi Alat Pendeteksi Dini Penyakit Jantung Koroner Budi Nur Iman; Raay Rafikasitha; Kemalasari Kemalasari
Jurnal Rekayasa Elektrika Vol 18, No 4 (2022)
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (711.729 KB) | DOI: 10.17529/jre.v18i4.27240

Abstract

Penyakit jantung koroner merupakan penyebab kematian tertinggi di Indonesia setelah stroke dengan persentase sebesar 12,9%. Penyakit jantung koroner terjadi akibat penumpukan plak yang disebabkan oleh tingginya kadar kolesterol serta meningkatnya tekanan darah dalam jangka panjang. Dibutuhkan sistem yang dapat memantau kesehatan jantung secara berkala. Pada penelitian ini menyajikan sistem yang mampu melakukan deteksi dini penyakit jantung koroner yang terdiri dari kategori risiko rendah, sedang, dan tinggi berdasarkan tiga parameter yaitu kolesterol, tekanan darah, dan detak jantung. Pengukuran kolesterol dilakukan secara non-invasif menggunakan LED sebagai transmitter dan photodioda sebagai receiver. Pengukuran tekanan darah menggunakan sensor MPX5100DP dengan metode osilometri, dan pengukuran detak jantung menggunakan sensor MAX30102. Data dari sensor dan informasi tambahan berupa jenis kelamin, usia, dan status perokok akan diolah dengan metode K-Nearest Neighbor untuk mengetahui hasil klasifkasi penyakit jantung koroner. Dari keseluruhan pengukuran, akurasi rata-rata untuk pengukuran kolesterol adalah 97,9%, pengukuran tekanan darah sistolik adalah 96,3%, tekanan darah diastolik 92,7%, dan pengukuran detak jantung adalah 98,8%. Klasifikasi penyakit jantung koroner pada 15 responden menggunakan metode K-Nearest Neighbor memiliki perbedaan sekitar 20% dengan perhitungan menggunakan tabel Framingham Risk Score yang dilakukan oleh dokter.
Alat Pendeteksi Kadar Glukosa pada Urine dengan Metode Naive Bayes Kemalasari Kemalasari; Maulida Alvisabrina Ifadah; Budi Nur Iman
Jurnal Rekayasa Elektrika Vol 18, No 4 (2022)
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17529/jre.v18i4.27238

Abstract

Diabetes Melitus (DM) adalah penyakit kronis yang ditandai dengan kadar glukosa darah yang melebihi batas normal yang disebabkan oleh tidak berfungsinya pankreas dalam memproduksi insulin yang cukup. Ketika glukosa berlebih, gula akan dikeluarkan melalui urine yang disebut glukosuria. Sehingga tujuan dari penelitian ini adalah untuk membuat alat pendeteksi kadar glukosa dari urine menggunakan sensor warna dan sensor gas dengan metode naive bayes. Untuk mengetahui jumlah kadar glukosa melalui urin dapat menggunakan larutan benedict. Dari percampuran antara sample urine dan larutan benedict akan dihasilkan perubahan warna yang dapat diukur dengan sensor warna TCS3200. Selain menggunakan sensor warna, digunakan juga sensor gas yaitu MQ-135, dimana cara kerja dari sensor ini adalah mendeteksi bau / kadar amonia dalam sample urine. Data dari kedua sensor akan diolah oleh metode naïve bayes untuk mengetahui hasil klasifikasi dan juga menggunakan metode regresi linier untuk menghitung kadar glukosa darah. Hasil dari penelitian ini dengan menggunakan 16 sample, untuk metode naïve bayes diperoleh akurasi sebesar 93,75%. 
Perancangan dan Implementasi Alat Pendeteksi Dini Penyakit Jantung Koroner Budi Nur Iman; Raay Rafikasitha; Kemalasari Kemalasari
Jurnal Rekayasa Elektrika Vol 18, No 4 (2022)
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17529/jre.v18i4.27240

Abstract

Penyakit jantung koroner merupakan penyebab kematian tertinggi di Indonesia setelah stroke dengan persentase sebesar 12,9%. Penyakit jantung koroner terjadi akibat penumpukan plak yang disebabkan oleh tingginya kadar kolesterol serta meningkatnya tekanan darah dalam jangka panjang. Dibutuhkan sistem yang dapat memantau kesehatan jantung secara berkala. Pada penelitian ini menyajikan sistem yang mampu melakukan deteksi dini penyakit jantung koroner yang terdiri dari kategori risiko rendah, sedang, dan tinggi berdasarkan tiga parameter yaitu kolesterol, tekanan darah, dan detak jantung. Pengukuran kolesterol dilakukan secara non-invasif menggunakan LED sebagai transmitter dan photodioda sebagai receiver. Pengukuran tekanan darah menggunakan sensor MPX5100DP dengan metode osilometri, dan pengukuran detak jantung menggunakan sensor MAX30102. Data dari sensor dan informasi tambahan berupa jenis kelamin, usia, dan status perokok akan diolah dengan metode K-Nearest Neighbor untuk mengetahui hasil klasifkasi penyakit jantung koroner. Dari keseluruhan pengukuran, akurasi rata-rata untuk pengukuran kolesterol adalah 97,9%, pengukuran tekanan darah sistolik adalah 96,3%, tekanan darah diastolik 92,7%, dan pengukuran detak jantung adalah 98,8%. Klasifikasi penyakit jantung koroner pada 15 responden menggunakan metode K-Nearest Neighbor memiliki perbedaan sekitar 20% dengan perhitungan menggunakan tabel Framingham Risk Score yang dilakukan oleh dokter.
Power Consumption Predictive Analytics and Automatic Anomaly Detection Based on CNN-LSTM Neural Networks Arif Irwansyah; Effry Muhammad; Firman Arifin; Budi Nur Iman; Hendhi Hermawan
Jurnal Rekayasa Elektrika Vol 19, No 4 (2023)
Publisher : Universitas Syiah Kuala

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.17529/jre.v19i4.31695

Abstract

In this modern era, electrical energy plays a crucial role in human life, as it is essential for most household appliances. The number of appliances requiring electrical energy increases each year, meeting the growing needs of users. However, electricity consumers tend to forget this fact and only realize its importance when they receive a significantly increased monthly electricity bill or face problems caused by anomalies in electricity use. Such anomalies can lead to substantial losses, especially when electrical equipment is damaged or left switched on without awareness. To make better decisions in such situations, real-time and accurate information is necessary, which can be achieved through data analytics utilizing machine-learning and predictive analytics. The purpose of this paper is to introduce the CNN-LSTM method of data analytic modeling for power consumption data collected through an electric data logger, which can help predict future power usage and detect real-time anomalies in the power network. The proposed model was tested using hourly electricity consumption data, and the results showed that the CNNLSTM method outperformed the LSTM model. The CNN-LSTM model had a 29% smaller Mean Squared Error (MSE) score than the LSTM method.
Co-Authors Arif Irwansyah Effry Muhammad Elly Purwantini Eru Puspita Fildzah Aure Gehara Zhafirah Firman Arifin Firman Arifin Firman Arifin Hendhi Hermawan I Ketut Eddy Purnama Kemalasari Madyono Madyono Maulida Alvisabrina Ifadah Muhammad Anshari Muhammad Hariadi Musthafa Adam Flora Raay Rafikasitha Rista Dwi Novian Adiningsih Syamsul Arifin Umroh Tul Khasanah